佐治亚州立大学领导的Nature Communications的一项新研究显示，与标准的机器学习模型相比，深度学习模型在脑成像的辨别模式和辨别力方面具有很大优势，尽管其结构更为复杂。

先进的生物医学技术，例如结构和功能磁共振成像(MRI和fMRI)或基因组测序，已经产生了大量有关人体的数据。通过从这些信息中提取模式，科学家可以收集有关健康和疾病的新见解。但是，鉴于数据的复杂性以及对数据类型之间的关系了解得很少的事实，这是一项艰巨的任务。

基于高级神经网络的深度学习可以通过组合和分析来自许多来源的数据来表征这些关系。在神经影像和数据科学转化研究中心(TReNDS)，乔治亚州立大学的研究人员正在使用深度学习来了解有关精神疾病和其他疾病如何影响大脑的更多信息。

尽管深度学习模型已用于解决许多不同领域的问题并回答问题，但一些专家仍然持怀疑态度。最近的批评性评论不利地将深度学习与用于分析大脑成像数据的标准机器学习方法进行了比较。

但是，如研究中所证明的那样，这些结论通常基于预处理的输入，这些输入剥夺了深度学习的主要优势-几乎不需要预处理就可以从数据中学习的能力。TReNDS的研究科学家，论文的主要作者Anees Abrol比较了经典机器学习和深度学习的代表性模型，发现如果训练得当，深度学习方法有可能提供实质上更好的结果，产生出更好的表示形式用于表征人脑。

“我们并排比较了这些模型，观察了统计协议，因此一切都是苹果。而且，我们证明了深度学习模型的表现比预期的要好。” TReNDS机器学习总监Sergey Plis说。计算机科学教授。

普利斯说，在某些情况下，标准机器学习可以胜过深度学习。例如，使用传统的机器学习方法，插入诸如患者的体温或患者是否抽烟等单次测量的诊断算法将更好地工作。

普利斯说：“如果您的应用程序涉及分析图像，或者涉及无法真正在不丢失信息的情况下被精简为简单度量的大量数据，则深度学习可以提供帮助。这些模型针对的是真正复杂的问题。这需要带来很多经验和直觉。”

深度学习模型的不利之处在于它们一开始就“渴望数据”，并且必须接受大量信息的培训。但是，一旦对这些模型进行了训练，TReNDS主任兼杰出大学心理学教授Vince Calhoun表示，它们在分析大量复杂数据方面就像在回答简单问题时一样有效。

他说：“有趣的是，在我们的研究中，我们观察的样本大小为100到10,000，并且在所有情况下，深度学习方法都做得更好。”

另一个优势是，科学家可以对深度学习模型进行反向分析，以了解他们如何得出有关数据的结论。正如已发表的研究表明，训练有素的深度学习模型将学习识别有意义的大脑生物标记物。

Abrol说：“这些模型是独立学习的，因此我们可以发现他们正在寻找的定义特征，这些特征可以使它们精确。” “我们可以检查模型正在分析的数据点，然后将其与文献进行比较，以查看模型在我们指示的位置之外发现的内容。”

研究人员认为深度学习模型能够提取该领域尚不知道的解释和表示，并有助于增进我们对人脑功能的认识。他们得出结论，尽管需要更多的研究来发现和解决深度学习模型的弱点，但从数学角度来看，很明显，这些模型在许多情况下都优于标准机器学习模型。

普利斯说：“深度学习的前景也许仍然胜过当前对神经成像的作用，但我们看到了这些技术的巨大潜力。”